Demonstração interativa da recuperação de agentes

Esta demonstração interativa permite que você explore a recuperação de agentes (antiga Pesquisa de vetor 2.0), o banco de dados de vetor totalmente gerenciado para Google Cloud. Use a demonstração para pesquisar milhões de anúncios de produtos com a pesquisa semântica (com tecnologia de embeddings automáticos do Gemini pesquisa de texto de palavras-chave ou pesquisa híbrida que usa Fusão de classificação recíproca (RRF) para combinar a pesquisa semântica e a pesquisa de texto de palavras-chave. Os resultados podem ser reclassificados usando a API Ranking da Gemini Enterprise Agent Platform para reclassificação.

Benefícios da recuperação de agentes

A Pesquisa de vetor exigia a geração de embeddings separadas, a implantação de índice e uma Vertex AI Feature Store para metadados. A recuperação de agentes oferece armazenamento unificado para dados e embeddings, geração automática de embeddings e pesquisa de texto integrada sem a necessidade de gerenciar a infraestrutura.

Testar

Para executar:

  1. No campo Consulta, descreva os itens que você quer consultar (por exemplo, vintage 1970s pinball machine). Como alternativa, clique em Gerar consulta para gerar uma descrição automaticamente.

  2. Clique em Enviar ou pressione Enter.

Teste as diferentes opções na demonstração para entender a recuperação de agentes e os conceitos básicos da tecnologia de pesquisa de vetor. Para mais informações, acesse Interface do usuário.

Interface do usuário

Esta seção descreve as configurações na UI que você pode usar para controlar os resultados retornados pela recuperação de agentes (antiga Pesquisa de vetor 2.0) e como eles são classificados.

Conjunto de dados

Use o menu suspenso Conjunto de dados para escolher o conjunto de dados em que a recuperação de agentes vai executar a consulta. Para informações sobre cada conjunto de dados, acesse Conjuntos de dados.

Consulta

Para executar uma consulta:

  1. Clique em Conjunto de dados e escolha o conjunto de dados em que você quer executar a consulta.

  2. No campo Consulta , adicione uma descrição, faça uma pergunta ou insira uma ou mais palavras-chave para especificar os itens que a recuperação de agentes vai retornar resultados. Como alternativa, clique em Gerar consulta para gerar uma consulta automaticamente.

  3. Escolha uma destas opções:

    1. Para retornar resultados semanticamente semelhantes, selecione Semântico.
    2. Para retornar resultados com base na sintaxe de texto da consulta, selecione Texto.
    3. Para fazer uma pesquisa híbrida, selecione Semântico e Texto.

  4. Se você estiver consultando semanticamente o conjunto de dados Mercari 3M items (128-dim Gemini text embeddings) ou Mercari 3M items (768-dim Gemini text embeddings), clique em Tipo de tarefa de consulta e selecione QUESTION_ANSWERING ou RETRIEVAL_QUERY.

  5. Clique em Enviar ou pressione Enter para executar a consulta.

Modificar

Há muitas opções que você pode usar para modificar os resultados que a recuperação de agentes (antiga Pesquisa de vetor 2.0) retorna de uma consulta.

  • Clique em Linhas e escolha o número máximo de resultados da pesquisa que você quer que a recuperação de agentes (antiga Pesquisa de vetor 2.0) retorne.

  • Selecione Semântico para retornar resultados semanticamente semelhantes.

  • Selecione Texto para retornar resultados com base na sintaxe de texto da consulta.

  • Selecione Semântico e Texto para ativar a pesquisa híbrida.

  • Selecione Reclassificar para reclassificar os resultados da pesquisa com base na relevância da consulta. Para mais informações, consulte Melhorar a pesquisa e a qualidade da RAG com a API Ranking.

  • Selecione Usar kNN para usar o algoritmo de vizinhos k-mais próximos para recuperar resultados da pesquisa. Como o kNN fornece uma taxa de recall de 100%, ele é muito útil ao depurar ou testar.

  • Clique em Tipo de tarefa de consulta e selecione o tipo de tarefa de consulta a ser usado. Isso só está disponível ao usar os conjuntos de dados Mercari 3M items (128-dim Gemini text embeddings) e Mercari 3M items (768-dim Gemini text embeddings). Para mais informações sobre tipos de tarefas de consulta, acesse Escolher um tipo de tarefa de embeddings.

  • No campo Alfa da RRF , insira um valor entre 0,0 e 1,0 para especificar o efeito de classificação da RRF. Isso só está disponível para pesquisa híbrida (as opções Semântico e Texto estão selecionadas).
    Valores alfa de:

    • 1.0 - Classifica os resultados puramente por semelhança semântica (densa).
    • 0.0 - Classifica os resultados puramente por relevância de palavras-chave (esparsa).
    • 0.5 - Classifica os resultados com peso igual para semelhança semântica (densa) e relevância de palavras-chave (esparsa).

    Para mais informações, consulte O que é a Fusão de classificação recíproca?

Métricas

Depois que uma consulta é executada, você recebe métricas de latência que detalham o tempo necessário para a conclusão de diferentes estágios da pesquisa.

Isso inclui:

  • A latência total de todas as fontes.
  • O tempo necessário para gerar embeddings e realizar uma pesquisa de vetor.
  • O tempo necessário para a reclassificação, se a opção Reclassificar estiver selecionada.
  • A quantidade total de latência da rede e de outras fontes.

Embeddings

A recuperação de agentes oferece suporte aos seguintes tipos de embedding:

Processo de consulta

Na recuperação de agentes, o processo de consulta depende do tipo de pesquisa que está sendo feita e dos modelos de embedding.

A geração e a pesquisa de embeddings acontecem em uma única chamada de API. A recuperação de agentes gera automaticamente o embedding de consulta do lado do servidor usando o modelo especificado em vertex_embedding_config para a Coleção, realiza a pesquisa e retorna resultados com metadados completos sem precisar de uma busca separada da Vertex AI Feature Store.

Word2Vec e multimodal

O cliente gera o embedding de consulta e o envia para a recuperação de agentes para pesquisa de vetor. Os resultados ainda incluem metadados completos da Coleção, e uma busca da Vertex AI Feature Store não é necessária.

Texto

A recuperação de agentes realiza a correspondência de palavras-chave integrada diretamente. Os embeddings não são gerados.

Conjuntos de dados

Conjunto de dados Descrição Modelo de embedding Tipo de tarefa de embedding
Mercari 1M items
(768-dim Gemini text embeddings)		 Usa o modelo de embedding Gemini Embedding 2 com embeddings de texto e imagem separados. Esse conjunto de dados oferece suporte à pesquisa de texto para texto e de conversão de texto em imagem usando diferentes campos de vetor. gemini-embedding-2-preview SEMANTIC_SIMILARITY
Mercari 3M items
(128-dim Gemini text embeddings)		 Tem um número reduzido de dimensões de embedding que oferece um tamanho de índice e custo de armazenamento menores. Esse conjunto de dados pode ter uma precisão menor do que o Mercari 3M items (768-dim Gemini text embeddings). gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M items
(768-dim Gemini text embeddings)		 Tem embeddings de dimensão completa com embeddings automáticos e alta precisão semântica de texto. Esse conjunto de dados usa RETRIEVAL_DOCUMENT para correspondência assimétrica de consulta-documento. gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M items
(768-dim Gemini text embeddings, semantic similarity)		 Usa o tipo de tarefa SEMANTIC_SIMILARITY para correspondência de similaridade. Esse conjunto de dados é o melhor para casos de uso que precisam da funcionalidade "encontrar itens semelhantes", em que a consulta e os documentos têm a mesma semântica. gemini-embedding-001 SEMANTIC_SIMILARITY
Mercari 3M items
(1408-dim Vertex AI multimodal embeddings)		 Tem embeddings multimodais da Vertex AI que codificam imagens de itens para pesquisa por imagens. multimodal-embedding-001 N/A
Mercari 3M items
(100-dim Word2Vec text embeddings)		 Usa o modelo de embedding Gensim Word2Vec. Esse conjunto de dados tem a inferência mais rápida. Ele fornece apenas compreensão semântica no nível da palavra, mas é muito compacto. Gensim Word2Vec N/A

Consulte também